413 lines
14 KiB
Python
413 lines
14 KiB
Python
"""
|
||
===================================
|
||
@Auther：WenZ
|
||
@Company: BooWay
|
||
@project：booway_dm
|
||
===================================
|
||
"""
|
||
|
||
|
||
# from langchain_community.chat_models import ChatOpenAI
|
||
from langchain_openai import ChatOpenAI
|
||
from langchain_core.output_parsers import StrOutputParser
|
||
from langchain_core.prompts import ChatPromptTemplate
|
||
from langchain_core.prompts.prompt import PromptTemplate
|
||
from langchain_core.output_parsers import JsonOutputParser
|
||
|
||
|
||
# qwen_llm = ChatOpenAI(model='deepseek-qwen2.5-32b',base_url="http://172.20.0.145:9995/v1/",api_key='233',temperature=1)
|
||
|
||
# temperature=0.7
|
||
qwen_llm = ChatOpenAI(
|
||
openai_api_base="https://api.siliconflow.cn/v1",
|
||
model_name="Qwen/Qwen2.5-72B-Instruct",
|
||
# sk-muuqautpcyuowjtgfecbnivqodlhzydtfslqkmwbknawejsx
|
||
openai_api_key="sk-bbeamiumkouptsrueilgufqqyuumelcsivxwjbdugqwsqhwj",
|
||
temperature=0.1
|
||
)
|
||
|
||
deep_v3 = ChatOpenAI(
|
||
openai_api_base="https://api.siliconflow.cn/v1",
|
||
model_name="deepseek-ai/DeepSeek-V3",
|
||
# sk-muuqautpcyuowjtgfecbnivqodlhzydtfslqkmwbknawejsx
|
||
openai_api_key="sk-bbeamiumkouptsrueilgufqqyuumelcsivxwjbdugqwsqhwj",
|
||
temperature=0.1
|
||
)
|
||
|
||
|
||
# from langchain.llms import Xinference
|
||
# from langchain.prompts import PromptTemplate
|
||
# from langchain.chains import LLMChain, SequentialChain
|
||
|
||
# llm = Xinference(server_url="http://172.20.0.145:9995", model_uid="deepseek-r1-distill-qwen2.5-32b")
|
||
|
||
|
||
def suffix_answers():
|
||
PromptTemplate1 = """
|
||
根据用户输入和相关知识回答问题
|
||
|
||
# 用户输入
|
||
{query}
|
||
|
||
# 相关知识
|
||
{kg}
|
||
|
||
# 注意：
|
||
- 每次回答和核心意思是：'此后缀名文件用某某或哪些软件打开'
|
||
- 对于相关知识中有多个软件的要全部回答
|
||
- 不要有过多解释，仅仅根据kg回答即可
|
||
"""
|
||
|
||
Prompt = ChatPromptTemplate.from_template(PromptTemplate1)
|
||
|
||
Chain = Prompt | qwen_llm | StrOutputParser()
|
||
# Chain = Prompt | llm | StrOutputParser()
|
||
|
||
return Chain
|
||
|
||
# 关于下载安装
|
||
# 查询功能（询问软件功能或用途）：【新型储能计价通C1】可以做批次工程吗
|
||
# 后缀名问题（专属子意图）
|
||
# 操作指导（询问具体使用方法）：【西藏造价软件Z1】怎么查看人工机械费用
|
||
# 故障排查（解决软件错误问题）：【技改检修2016软件】初始化失败了
|
||
# 费用计算（专属意图，复杂计算推理）
|
||
# 下载与安装（询问软件的下载和安装）：【配网D3软件】程序包发我；【配网D3软件】怎么安装
|
||
|
||
# def Vertical_classification():
|
||
# PromptTemplate1 = """
|
||
# 根据用户输入进行垂直领域分类
|
||
|
||
# 目前的垂直分类：【'闲聊', '软件咨询'】
|
||
|
||
# # 软件咨询包括以下：
|
||
# 1. 查询功能（询问软件功能或用途，包括后缀名问题）
|
||
# 2. 操作指导（询问具体使用方法）
|
||
# 3. 故障排查（解决软件错误问题）
|
||
# 4. 下载安装（关于软件的下载和安装问题）
|
||
|
||
# # 用户输入
|
||
# {query}
|
||
|
||
# # 注意：
|
||
# 1. 你只能回答是'闲聊' 或者 '软件咨询'，绝对不能有其他回复
|
||
# """
|
||
|
||
# Prompt = ChatPromptTemplate.from_template(PromptTemplate1)
|
||
|
||
# Chain = Prompt | qwen_llm | StrOutputParser()
|
||
|
||
# return Chain
|
||
|
||
def Vertical_classification():
|
||
PromptTemplate1 = """
|
||
请根据用户的输入内容，将其归类为以下两个垂直领域之一：
|
||
|
||
【垂直领域分类】：
|
||
1. 闲聊 —— 指与软件无关的日常对话、问候、感慨、情绪表达等。
|
||
2. 软件咨询 —— 指涉及软件使用、下载、功能、问题排查等方面的提问或请求。
|
||
|
||
【软件咨询包括以下四类】：
|
||
1. 查询功能：例如询问软件的功能、用途，或某种文件后缀对应的软件。
|
||
2. 操作指导：例如询问如何使用某个功能、软件的使用方法。
|
||
3. 故障排查：例如反馈软件报错、卡顿、打不开等问题，并寻求解决方案。
|
||
4. 下载安装：例如请求下载地址、安装流程、环境配置等信息。
|
||
|
||
【用户输入】：
|
||
{query}
|
||
|
||
【要求】：
|
||
- 请你只返回一个结果："闲聊" 或 "软件咨询"。
|
||
- 不允许输出任何解释、标点符号或额外内容。
|
||
"""
|
||
|
||
Prompt = ChatPromptTemplate.from_template(PromptTemplate1)
|
||
|
||
Chain = Prompt | qwen_llm | StrOutputParser()
|
||
# Chain = Prompt | llm | StrOutputParser()
|
||
|
||
return Chain
|
||
|
||
# chain_vertical = Vertical_classification()
|
||
|
||
|
||
def small_talk():
|
||
PromptTemplate1 = """
|
||
你是一个开放性的聊天助手，请以礼貌的方式进行回复
|
||
|
||
# 用户输入
|
||
{query}
|
||
|
||
# 注意
|
||
1. 对于用户发送类似“你好”、“hi”、“嗨”之类的问候语，需要固定回复：“您好，尊贵的VIP，我是booway小助手，很高兴为您服务”
|
||
2. 对于用户发送类似“你是谁”、“你能干什么”、“你有什么功能”之类的询问身份和功能的语句，需要固定回复：“您好，我是booway小助手，如您需要相关电力造价软件的使用咨询，可以和我沟通”
|
||
3. 初次之外的聊天，不需要告知用户的身份和你的身份
|
||
"""
|
||
|
||
Prompt = ChatPromptTemplate.from_template(PromptTemplate1)
|
||
|
||
# Chain = Prompt | llm | StrOutputParser()
|
||
Chain = Prompt | qwen_llm | StrOutputParser()
|
||
|
||
return Chain
|
||
|
||
|
||
# chain_small_talk = small_talk()
|
||
|
||
|
||
# 查询功能（询问软件功能或用途）：【新型储能计价通C1】可以做批次工程吗
|
||
# 后缀名问题（专属子意图）
|
||
# 操作指导（询问具体使用方法）：【西藏造价软件Z1】怎么查看人工机械费用
|
||
# 故障排查（解决软件错误问题）：【技改检修2016软件】初始化失败了
|
||
# 费用计算（专属意图，复杂计算推理）
|
||
# 下载与安装（询问软件的下载和安装）：【配网D3软件】程序包发我；【配网D3软件】怎么安装
|
||
def intention_judge():
|
||
# 费用计算另处理
|
||
PromptTemplate1 = """
|
||
你是一个智能意图分类助手。请根据用户的问题，将其归类到以下意图中：
|
||
|
||
1. 查询功能（询问软件功能或用途）
|
||
2. 操作指导（询问具体使用方法）
|
||
3. 故障排查（解决软件错误问题）
|
||
4. 下载安装（关于软件的下载和安装问题）
|
||
|
||
用户的问题是："{query}"
|
||
|
||
请明确指出该问题属于哪个意图类别。
|
||
|
||
输出格式：str类型
|
||
|
||
注意你的回复答案一定是[查询功能、操作指导、故障排查、下载安装]之一，不要有其他回答，不要解释说明
|
||
"""
|
||
|
||
Prompt = ChatPromptTemplate.from_template(PromptTemplate1)
|
||
|
||
Chain = Prompt | qwen_llm | StrOutputParser()
|
||
# Chain = Prompt | llm | StrOutputParser()
|
||
|
||
return Chain
|
||
|
||
|
||
def domain_judge():
|
||
# 费用计算另处理
|
||
PromptTemplate1 = """
|
||
你是一个领域问题分类助手。请根据用户的问题，将其归类到以下软件领域中：
|
||
|
||
1. 西藏造价软件Z1
|
||
2. 新型储能计价通C1
|
||
3. 技改检修计价通T1
|
||
4. 未知 （用户输入没有提到具体软件名称，就回答‘未知’）
|
||
|
||
用户输入："{query}"
|
||
|
||
请明确指出该问题属于哪个领域问题分类。
|
||
|
||
输出格式：str类型
|
||
|
||
注意：
|
||
1. 你的回复答案一定是[西藏造价软件Z1、新型储能计价通C1、技改检修计价通T1、未知]之一，不要有其他回答，不要解释说明
|
||
2. 如果用户输入没有说明具体哪个软件，则回答‘未知’
|
||
"""
|
||
|
||
Prompt = ChatPromptTemplate.from_template(PromptTemplate1)
|
||
|
||
Chain = Prompt | deep_v3 | StrOutputParser()
|
||
# Chain = Prompt | llm | StrOutputParser()
|
||
|
||
return Chain
|
||
|
||
def domain_judge_v2():
|
||
# 费用计算另处理
|
||
PromptTemplate1 = """
|
||
你是一个不全软件名称的助手。请根据用户的问题，进行补全:
|
||
|
||
1. 西藏造价软件Z1
|
||
2. 新型储能计价通C1
|
||
3. 技改检修计价通T1
|
||
4. 未知 （用户输入没有提到具体软件名称，就回答‘未知’）
|
||
|
||
用户输入："{query}"
|
||
|
||
输出格式：str类型
|
||
|
||
注意：
|
||
1. 你的回复答案一定是[西藏造价软件Z1、新型储能计价通C1、技改检修计价通T1、未知]之一，不要有其他回答，不要解释说明
|
||
"""
|
||
|
||
Prompt = ChatPromptTemplate.from_template(PromptTemplate1)
|
||
|
||
Chain = Prompt | deep_v3 | StrOutputParser()
|
||
# Chain = Prompt | llm | StrOutputParser()
|
||
|
||
return Chain
|
||
|
||
def domain_judge_v3():
|
||
# 费用计算另处理
|
||
PromptTemplate1 = """
|
||
你是一个领域问题分类助手。请根据用户的问题，将其归类到以下软件领域中：
|
||
|
||
1. 西藏造价软件Z1
|
||
2. 新型储能计价通C1
|
||
3. 技改检修计价通T1
|
||
4. 博微配网工程计价通D3软件
|
||
5. 其他 （用户输入没有提到具体软件名称或者不属于上述软件名，就回答‘其他’）
|
||
|
||
用户输入："{query}"
|
||
|
||
请明确指出该问题属于哪个领域问题分类。
|
||
|
||
输出格式：str类型
|
||
|
||
注意：
|
||
1. 你的回复答案一定是[西藏造价软件Z1、新型储能计价通C1、技改检修计价通T1、博微配网工程计价通D3软件、未知]之一，不要有其他回答，不要解释说明
|
||
2. 如果用户输入没有说明具体哪个软件，则回答‘其他’
|
||
"""
|
||
|
||
Prompt = ChatPromptTemplate.from_template(PromptTemplate1)
|
||
|
||
Chain = Prompt | deep_v3 | StrOutputParser()
|
||
# Chain = Prompt | llm | StrOutputParser()
|
||
|
||
return Chain
|
||
|
||
|
||
def judge_5W2H():
|
||
PromptTemplate1 = """
|
||
你是一位专业的语言分析师。请根据以下输入，识别出它属于5W2H中的哪一类：
|
||
- What: 表示“什么”。
|
||
- Why: 表示“为什么”。
|
||
- When: 表示“什么时候”。
|
||
- Where: 表示“在哪里”。
|
||
- Who: 表示“谁”。
|
||
- How: 表示“如何”。
|
||
- How much: 表示“多少”。
|
||
|
||
输入: {query}
|
||
请判断并仅返回类别名称。
|
||
"""
|
||
|
||
Prompt = ChatPromptTemplate.from_template(PromptTemplate1)
|
||
|
||
Chain = Prompt | qwen_llm | StrOutputParser()
|
||
# Chain = Prompt | llm | StrOutputParser()
|
||
|
||
return Chain
|
||
|
||
|
||
def extract_keywords():
|
||
PromptTemplate1 = """
|
||
你是一位专业的语言分析师。请根据以下输入内容，精准提取“需求”部分：
|
||
|
||
软件名称：{software_name}
|
||
5W2H 类型：{_5w2h_type}
|
||
用户输入：{query}
|
||
|
||
提取规则：
|
||
仅提取用户输入中，除软件名称和5W2H类型以外的“需求”部分，保持原意简洁输出，不添加解释或思考过程。
|
||
|
||
示例1：
|
||
软件名称：新型储能计价通C1
|
||
5W2H 类型：How
|
||
用户输入：储能软件，怎么批量将乙供主材改为甲供
|
||
输出：批量将乙供主材改为甲供
|
||
|
||
示例2：
|
||
软件名称：西藏造价软件Z1
|
||
5W2H 类型：What
|
||
用户输入：西藏Z1软件，海报高度选择不同影响什么
|
||
输出：海报高度选择不同影响什么
|
||
|
||
注意事项：
|
||
- 输出仅包含“需求”内容
|
||
- “需求”需要你根据语义总结
|
||
- 不要输出任何解释或推理过程
|
||
"""
|
||
|
||
Prompt = ChatPromptTemplate.from_template(PromptTemplate1)
|
||
|
||
Chain = Prompt | qwen_llm | StrOutputParser()
|
||
# Chain = Prompt | llm | StrOutputParser()
|
||
|
||
return Chain
|
||
|
||
# def answer_questions():
|
||
# PromptTemplate1 = """
|
||
# 你是一个回答助手，请根据检索到的知识内容来回答用户的问题。
|
||
#
|
||
# # 用户问题：
|
||
# {query}
|
||
#
|
||
# # 检索到的知识内容：
|
||
# {kg}
|
||
#
|
||
# # 回答要求：
|
||
# 1. 仅依据检索到的知识内容进行回答，不要引入任何其他未提供的知识。
|
||
# 2. 如果检索内容中仅有部分信息与你判断相关，请结合有用部分作答，忽略无关内容。
|
||
# 3. 如果你无法根据检索内容推理或回答用户问题，请回答：“没有相关知识”。
|
||
#
|
||
# """
|
||
#
|
||
# Prompt = ChatPromptTemplate.from_template(PromptTemplate1)
|
||
#
|
||
# Chain = Prompt | deep_v3 | StrOutputParser()
|
||
#
|
||
# return Chain
|
||
|
||
def answer_questions():
|
||
PromptTemplate1 = """
|
||
请严格根据以下框架回答用户问题：
|
||
|
||
# 用户问题：
|
||
{query}
|
||
|
||
# 检索到的知识内容：
|
||
{kg}
|
||
|
||
# 回答规则 (必须逐条遵守)：
|
||
1. 相关性优先原则
|
||
- 必须严格检查检索内容与用户问题的相关性
|
||
- 仅当检索内容中存在至少一条与问题直接相关的明确证据时，才允许作答
|
||
- 若检索内容整体与问题无关，即使内容正确，也必须回答"没有相关知识"
|
||
|
||
2. 精准引用原则
|
||
- 回答必须完全基于检索内容中的有效证据
|
||
- 禁止添加任何外部知识、常识推理或主观猜测
|
||
- 禁止对检索内容进行延伸解读，仅允许直接相关的事实陈述
|
||
|
||
3. 部分相关处理
|
||
- 当检索内容中只有部分段落相关时：
|
||
1. 先验证该段落是否直接对应问题核心
|
||
2. 确认无误后仅使用该部分作答
|
||
3. 主动忽略其他无关内容
|
||
|
||
4. 拒绝回答场景
|
||
- 检索内容与问题无逻辑关联时
|
||
- 需要连接多个非直接相关片段进行推理时
|
||
- 存在相关表述但缺乏明确证据支持时
|
||
|
||
# 回答要求
|
||
1. 基于以上回答规则，仅做回答，不要加上思考过程
|
||
|
||
"""
|
||
|
||
Prompt = ChatPromptTemplate.from_template(PromptTemplate1)
|
||
|
||
Chain = Prompt | deep_v3 | StrOutputParser()
|
||
# Chain = Prompt | llm | StrOutputParser()
|
||
|
||
return Chain
|
||
|
||
def mutil12():
|
||
PromptTemplate1 = """
|
||
你根据输入语句：{query}来分析是缺软件名字还是缺具体问题
|
||
# 输出
|
||
缺软件名字返回1
|
||
缺具体问题返回2
|
||
你只能返回1或者2，不要有其他解释
|
||
"""
|
||
|
||
Prompt = ChatPromptTemplate.from_template(PromptTemplate1)
|
||
|
||
Chain = Prompt | qwen_llm | StrOutputParser()
|
||
# Chain = Prompt | llm | StrOutputParser()
|
||
|
||
return Chain |